超声铣削加工作为精密加工的一种,对刀具磨损状态异常敏感,而铣削加工中必然存在着刀具磨损,刀具磨损会对已加工表面质量和尺寸精度造成影响,严重时会使工件报废,甚至造成加工设备损坏。过去主要通过机床操作人员根据经验判断刀具的磨损状态,但随着制造业向智能化、无人化发展,刀具监测急需摆脱对操作人员的依赖,实现机床的在线自动监测。本文基于支持向量机并通过铣削力与温度信号融合的方法实现对超声铣削中刀具磨损状态的实时监测。首先,进行超声铣削TC4钛合金的铣刀磨损试验,采集铣削过程中的铣削力信号和温度信号以及测量铣刀后刀面磨损值。分析超声对铣削力信号和温度信号的影响以及两种信号随刀具磨损的变化规律。其次,通过对铣削力与温度信号进行时域、频域以及时频域分析,从中提取了135个信号特征值。并对二进制蝙蝠算法进行改进,将改进的二进制蝙蝠算法用于铣削力与温度两种信号的特征选择中,从135维特征向量中选择出了11维对预测模型有效的特征向量。并与标准BBA和BPSO进行对比分析,结果表明改进的二进制蝙蝠算法具有更高的搜索精度和大幅度降低了特征向量的维数,降低幅度可达91.85%,极大地缩短了预测模型的训练时间。最后,基于非线性回归支持向量机建立刀具磨损预测模型,利用网格搜索与交叉验证相结合的方法对模型参数进行优化,结果显示预测模型的均方误差为0.0028,平方相关系数为0.9756,可知模型的预测精度较高,可实现超声铣削加工中刀具磨损状态的在线实时监测。同时研究了不同监测信号以及不同降维方法对预测模型精度的影响。此外,本文还设计了刀具磨损状态监测系统,并对系统的界面、后台以及功能进行了说明。